StockRanker多因子选股策略

https://bigquant.com/experimentshare/1b8882bded4c4127a6c6edc792af662d

\

TALIB指标选股策略的交易规则

买入条件：满足

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票按PE升序排名取前十名,次日以开盘价买入； 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。

策略构建步骤

1. 确定股票池和回测时间 通过证券代码列表输入要回测的单只/多只股票，以及回测的起止日期
2. 确定买卖条件信号 在输入特征列表m1中通过表达式引擎定义 close_0 因子，并通过基础特征抽取模块m7获取数据； 在自定义模块m10中利用talib库计算macd相关技术指标，通过前移1天macd指标来实现当日收

TALIB指标选股策略的交易规则

买入条件：满足

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票按PE升序排名取前十名,次日以开盘价买入； 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。

策略流程

1. 股票过滤：剔除ST、停牌股、北交所
2. 筛选条件：上市天数大于270，收盘价小于30
3. 信号设定：对符合买入条件（今日开盘价大于昨日收盘价；5日收盘价均线大于10日收盘价均线的股票）的股票设定买入信号，对5日收盘价均线小于10日收盘价均线的股票设定卖出信号，并按照总市值升序排列
4. 交易设定：开盘买入，开

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

导语

本文简单介绍如何通过可视化的方式开发出一个价值选股策略。

标题也许看着有点蒙，什么意思呢？其实就是通过5条线连接的几个模块就能开发出一个简单的价值选股策略。我们先来看看策略截图。

策略思想介绍

该策略一共包括：证券代码列表、输入特征列表、基础特征抽取、数据过滤、Trade(回测/模拟)共5个模块。首先我们先介绍下策略的思想。

• 开始日期：2013-01-01
• 结束日期：2017-11-07
• 选股依据：根

买入条件： 选择过去30个交易日内，超大单净流入占比均位于所有股票的前5%。 这些股票的涨跌幅位于同期所有股票的前5%。

卖出条件： 或股票涨跌幅跌至同期所有股票的后5%。

\

策略源码：

说明：克隆下方策略请前往最新开发环境3.0中运行

{{membership}}

https://bigquant.com/codeshare/2c867588-95a7-4e47-afeb-a377cbe13776

\

• 声        明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 交易逻辑：每隔30个交易日，以开盘价买入当日0<PB<1.5且0<PE<15且有成交量较前一日放大1.5~2.5倍的股票；
• 每隔30个交易日，将不符合上述标准的持仓股票在第二天以收盘价卖出。
• 股票过滤：换手率小于20%，过滤ST，过滤北交所，过滤科创版，上市天数大于270天，市盈率小于50
• 排序规则：按照换手率从大到小
• 买卖时间：开盘买入，收盘卖出
• 初始资金：100万
• 持仓票数：5
• 持仓周期：1天

回测图：

![](/wiki/api/attachments.red

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

交易逻辑：

• 当收盘价5日均线大于10日均线时，以第二日开盘价买入；
• 买入后，当收盘价的5日均线小于10日均线时，以第二日开盘价卖出；

https://bigquant.com/codeshare/65912162-7c7b-4493-b5ee-43d3b92123c7

\

买入条件：

1. 今日开盘价大于昨日收盘价；
2. 5日收盘价均线大于10日收盘价均线的股票
3. 按PE升序排名取前十名,次日以开盘价买入；
4. 买入后，如果5日收盘价均线小于10日收盘价均线，则次日以开盘价卖出。
5. 股票过滤：过滤ST，过滤北交所，上市天数大于270天
6. 初始资金：100万
7. 持仓票数：10只

\

策略源码：

{{membership}}

[https://bigquant.com/codeshare/77a6ec54-de06-49b2-a46d-fdc750de5299](https://bigquant.com/codesha

• 声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑
• 声明：本策略需要在AIStudio 3.0环境下运行
• 买入条件：
• 5日均线大于10日均线，10日均线大于20日均线，20日均线大于40日均线，40日均线大于120日均线；
• 今日最低价小于10日收盘价均线 的股票，次日以开盘价买入；
• 买入后，如果5日均线小于40日均线，则次日以开盘价卖出
• 允许最多同时持有20只股票

\

策略源码：

[https://bigquant.com/codeshare/5051711d-1470-49f0-b448-e0cacfcf477b](https://bi

声明：本策略仅为示例策略，可根据自己需要自行修改策略逻辑

声明：本策略需要在AIStudio 3.0环境下运行

股票提取：在财报公告日当天，筛选出净利润同比增长小于1的，并按照净利润同比增长排序

股票过滤：剔除ST、退市、非主板、上市时间小于365天的

买卖时间：开盘买入，收盘卖出

初始资金：100万

持仓票数：3

持仓周期：30天

回测图：

\

策略源码：

{{membership}}

由于财务公告通常在晚上发布，在财务报表公告的第二日开盘买入归属母公司股东的净利润同比增长率百分比大于30%的且降序排名靠前股票(总持仓量不超过50只);\n\n买入并持有40个交易日后，以第二日开盘价卖出；

\

策略源码：

{{membership}}

https://bigquant.com/codeshare/afed1970-8cc9-4e6f-95cb-8424092b3537

\

如何把我的因子中创建的因子，引入输入特征列表模块中

假设我们采用新的模版代替原来输入特征列表的部分？直接用“输入特征（DAI SQL）”代替，貌似报错了。或者有相关用新模版建立线性-回归算法策略的文档吗，这样就可以用自己的数据进行策略分析了。

![](/wiki/api/attac

因子分析简介

当前的股票、期货、债券、期权研究均以因子投资为主流趋势，且势头越发明显。本文所指因子分析是多因子策略、指数增强策略、多空中性策略的基石，其研究好坏直接关系和决定了策略的收益能力（信息比率），常被业内人士所称研究之重中之重，策略之核心所在。

因子分析就是因子研究员每日的基础、必备工作，大概占据了其90%的工作量，他的工作成果直接服务策略研究员，策略研究员不一定知道因子的具体细节，他也没必须不需要

我想将选取前十名股票的选股策略的基础上，融合亏损5%则卖出； 获利10%则止盈，换股的策略。

同一个问题，因为刚上手，原来可以1分钟解决的搞了1天，其实一开始文心一言就已经帮我改正了错误，只是我认为不是这个问题。

第一步

第二部

在修改交易代码时，遇到将原来的context.df = context.options['data'].read_df()与`positions_cost = {e.symbol: p.cost_bas

如标题

https://bigquant.com/codeshare/1d87d715-5139-432b-9267-5b99154e598b

选出的股不能交易，是写错了吗，这个是策略地址，

https://bigquant.com/experimentshare/d1a0a1335e934cb3afbb4770a53640e0

\

问题

深度学习选股策略需要更大的资源吗？

https://bigquant.com/experimentshare/1c9b4b73bd534982bc6beb2e8c07d0f1

解答

跑DEEPALPHA模块建议升级开发环境到C2甚至C3档。

看你用的标准化模块比较老了，还剩V8， 你可以换成最新的模块，从左侧模块区拖一个就行，最新的标准化模块性能有很大提升

![{w:100}{w:100}](/wiki/api/a

你好！请问AI选股策略输入特征无均线特征量，在回测部分特征抽取也是前述特征量，在最后回测部分卖出时想加上均线判断：

2. 生成卖出订单：hold_days天之后才开始卖出；对持仓的股票，按StockRanker预测的排序末位淘汰

if not is_staging and cash_for_sell > 0:
    equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
    instruments = list(reversed(list(ra

https://bigquant.com/wiki/doc/xinhao-fangfa-oxACTyy7MT我看到知识库里有个大神有这个再次分类提高选股策略的方法。但是，在测试集中把return_5_day=(shift(close_0, -5)-shift(open_0, -1))/shift(open_0, -1)给当作特征写进去了啊，这岂不就是用了未来函数么？还是说我理解错了

摘要

个股的日内交易特征是当日交易关键要素的概况。通过多维度刻画一段时间内高开低收以外的日内交易细节信息，使得低频交易成为可能。

利用个股分钟级别的量价数据构造月频因子，我们更为推荐两步算法：首先刻画个股日内交易特征，再统计当月的日内交易特征。其更能突出体现个股日内交易细节信息，且与传统因子相关性较低。

日内交易特征可分为交易情绪、参与者结构和博弈状态三大类。我们分别对三大类因子特征进行举例说明，并对各因子进行有效性检验。多空有效的因子包括：日内BETA、最高级出现时间、收盘成交量占比、成交量变异数比率、量价非平稳时间序列相关性等。月度IC绝对值在3%-4%之间。

在组合构建端我

摘要

本文主要介绍超预期幅度因子的定义、分析师超预期股票收益特征分析和分析师超预期选股策略的构建。首先我们介绍精确到单季度的净利润超预期幅度ESP因子算法，然后我们对超预期股票的收益特征进行分析，发现EP_TTM和过去一个月收益率两个风格因子可以很好地解释超预期股票的收益来源。最后每月底根据EP_TTM和过去一个月收益率两个风格因子限定样本池，然后选取净利润超预期幅度最大的20只股票构建超预期20组合。组合基本上每年稳定战胜中证500指数，可以作为中证500增强的补充组合。

分析师超预期幅度因子定义

分析师超预期幅度ESP因子可以定义如下：ESP =（单季度实际净利润